Visión artificial
Convierte imágenes en señales útiles, teniendo en cuenta los casos difíciles.
Un modelo que funciona con imágenes seleccionadas es solo el principio. Creamos procesos de visión alrededor de las cámaras, iluminación, movimiento y objetos reales, y comprobamos cómo tratar entradas inciertas o desconocidas.
RESPUESTA DIRECTA
El desarrollo de visión artificial conecta imágenes o vídeo con una tarea acordada de reconocimiento, detección o inspección. Incluye condiciones de captura, datos etiquetados de evaluación, selección del modelo e integración con revisión o acciones.
Adecuado para
- Operaciones con una tarea visual repetible de inspección o reconocimiento
- Productos que necesitan señales basadas en imágenes bajo condiciones conocidas
Otra necesidad
- Un proceso documental centrado en extraer y validar campos de texto
- Una decisión autónoma crítica para la seguridad sin validación especializada
Precisar qué debe distinguir la cámara
La clasificación asigna una categoría a una imagen; la detección localiza objetos; la segmentación identifica regiones. Elegimos la tarea a partir de la acción de negocio. Definimos qué clases importan, qué constituye un defecto o excepción y si el resultado ayuda a una persona o desencadena un proceso limitado.
Evaluar las imágenes antes de optimizar el modelo
Revisamos resolución, iluminación, ángulos, ocultación, movimiento y cambios entre ubicaciones o dispositivos. Mejorar la captura puede aportar más que entrenar de nuevo. La evaluación debe incluir ejemplos difíciles realistas y entradas desconocidas. Si faltan etiquetas, Anotación de Datos define los criterios y la revisión de calidad.
Elegir dónde se ejecuta la inferencia
Comparamos modelos existentes, adaptaciones y entrenamiento propio según calidad, latencia, hardware y coste operativo. Ejecutar en el dispositivo puede reducir la dependencia de red; un servidor puede facilitar las actualizaciones. El diseño concreta qué datos salen del dispositivo, cómo se conservan y qué versión del modelo se usa. La conectividad puede delimitarse con IoT Industrial.
Ejemplo de aceptación: un componente parcialmente oculto
Una inspección ilustrativa recibe una imagen cuyo componente relevante está oculto. El proceso registra un resultado no concluyente y solicita otra captura o revisión, sin dar el elemento por válido automáticamente. Las pruebas separan defectos visibles, elementos aceptables e imágenes inutilizables. El registro de aceptación relaciona la decisión con las condiciones y la versión del modelo.
Entregar evaluación e integración juntas
Recibes definiciones de clases, referencias a datos autorizados, artefactos de entrenamiento o configuración, resultados e integración con la aplicación. Acordamos umbrales y repetimos pruebas tras cambios significativos de cámara o entorno. Los operadores pueden consultar los límites. Las rutinas de despliegue y supervisión pueden ampliarse con MLOps después de aceptar el alcance inicial.
Preguntas antes de empezar
Sí. Primero comprobamos si un modelo o API adecuado cumple la tarea y los requisitos de datos. El entrenamiento propio se justifica por carencias medidas.
El encargo cubre software e integración acordada. Selección de cámaras, instalación, cambios de firmware y trabajo presencial se identifican por separado para aclarar responsabilidades.
Definimos las variantes admitidas a partir de evidencia representativa. Un material, forma o configuración de captura nueva puede requerir evaluación antes de incluirse en el alcance aceptado.
Presentamos medidas adecuadas a la tarea y errores por clase o condición. Defectos omitidos, falsas alarmas e imágenes inutilizables se separan porque tienen costes diferentes.
Definir tu aplicación de visión
Describe qué debe reconocer el sistema, de dónde llegan las imágenes y qué acción se toma después. Acordamos muestras representativas y su uso permitido antes de evaluar modelos.